PHP Regex, игнорировать первую группировку в чередующемся утверждении

Question

Я пытаюсь выяснить, как захватить одно утверждение, если другое не существует, используя preg_match.

Пример текста:

<!-- InstanceBeginEditable name="doctitle" -->

<title>BU Libraries | Research Guides | Citing Your Sources</title>

<!-- InstanceEndEditable -->

<div id="standardpgt"><h1><!-- InstanceBeginEditable name="pagetitle" --><strong>Citing Your Sources</strong><!-- InstanceEndEditable --></h1></div>

Поскольку существует заголовок страницы, я хочу использовать его вместо тега doctitle. Конечно, между ними есть тонны других персонажей, но я хотел показать вам небольшой пример.

Если бы заголовок страницы не существовал, я бы хотел получить содержание документа.

Суть в том, что я не использую php-код напрямую, я передаю выражение regex через файл конфигурации, затем скрипт берет его и вытаскивает первую группу из выражения.

Вот что я придумал:

((?!.*?<!--\s*?InstanceBeginEditable\s*?name=\x22pagetitle\x22\s*?-->.*?<!--\s*?InstanceEndEditable\s*?-->)<!--\s*?InstanceBeginEditable\s*?name=\x22doctitle\x22\s*?-->\s*?<title>(.*?)<\/title>\s*?<!--\s*?InstanceEndEditable\s*?-->|<!-- InstanceBeginEditable\s*?name=\x22pagetitle\x22\s*?-->(.*?)<!--\s*?InstanceEndEditable\s*?-->)

В чем проблема по какой-то причине php всегда читает первую пустую группу как группу 1, если она не работает.

Например, в приведенном выше примере текста будет возвращено

0 -> <!-- InstanceBeginEditable name="pagetitle" --><strong>Citing Your Sources</strong><!-- InstanceEndEditable -->
1 -> 
2 -> <strong>Citing Your Sources</strong>

Я не могу на всю жизнь понять, как сделать эту работу. Я также написал это регулярное выражение:

(?(?=.*?<!--\s*?InstanceBeginEditable\s*?name=\x22pagetitle\x22\s*?-->.*?<!--\s*?InstanceEndEditable\s*?-->).*?<!-- InstanceBeginEditable\s*?name=\x22pagetitle\x22\s*?-->(.*?)<!--\s*?InstanceEndEditable\s*?-->|.*?<!--\s*?InstanceBeginEditable\s*?name=\x22doctitle\x22\s*?-->\s*?<title>(.*?)<\/title>\s*?<!--\s*?InstanceEndEditable\s*?-->)

Но это тоже не сработало. Огромное спасибо за помощь.

Крис

Answer 1

user178551 абсолютно правильно рекомендовал использовать конструкцию сброса ветви. В исходном регулярном выражении нет ничего плохого (кроме того факта, что его длина превышает 300 символов и он ВСЕ НА ОДНОЙ СТРОКЕ! - и что он не может поместить одну из двух альтернатив в одну группу захвата). Такое нетривиальное (мягко говоря) регулярное выражение, как это, должно быть написано в свободном интервале с отступом, чтобы вы могли фактически прочитать его. Вот ваше оригинальное регулярное выражение с добавлением некоторых разумных пробелов:

$re_OP1 = '%
    (                                             # $1:
      (?!
        .*?<!--\s*?InstanceBeginEditable\s*?name=\x22pagetitle\x22\s*?-->
        .*?<!--\s*?InstanceEndEditable\s*?-->
      )
           <!--\s*?InstanceBeginEditable\s*?name=\x22doctitle\x22\s*?-->\s*?
           <title>(.*?)<\/title>\s*?              # $2: 
           <!--\s*?InstanceEndEditable\s*?-->
    |      <!-- InstanceBeginEditable\s*?name=\x22pagetitle\x22\s*?-->
           (.*?)                                  # $3;
           <!--\s*?InstanceEndEditable\s*?-->
    )
    %six';

Глядя на это регулярное выражение сейчас, вы можете увидеть, где вы жестко закодировали один пробел на строке с оператором ИЛИ (т.е. |<!-- InstanceBegin...). Это приведет к тому, что регулярное выражение не совпадет с 'x' модификатор применяется. Таким образом, заменив это пространство с \s* и запустив его на ваших тестовых данных, вот результат, который я получаю (php-5.2.14):

Array
(
    [0] => <!-- InstanceBeginEditable name="pagetitle" --><strong>Citing Your Sources</strong><!-- InstanceEndEditable -->
    [1] => <!-- InstanceBeginEditable name="pagetitle" --><strong>Citing Your Sources</strong><!-- InstanceEndEditable -->
    [2] =>
    [3] => <strong>Citing Your Sources</strong>
)

Эти результаты аналогичны тем, которые вы опубликовали (но по какой-то причине ваши результаты показывают только 2 группы захвата???). Все, что нам нужно сделать сейчас, - это применить предложение по сбросу ветки user178551, и решение для регулярных выражений становится:

$re_jmr = '%
    (?|  # Branch reset construct. (restart counting for each alternative)
      (?!
        .*?<!--\s*InstanceBeginEditable\s*name="pagetitle"\s*-->
        .*?<!--\s*InstanceEndEditable\s*-->
      )
           <!--\s*InstanceBeginEditable\s*name="doctitle"\s*-->\s*
           <title>(.*?)<\/title>\s*              # $1: Group 1A
           <!--\s*InstanceEndEditable\s*-->
    |      <!--\s*InstanceBeginEditable\s*name="pagetitle"\s*-->
           (.*?)                                  # $1: Group 1B
           <!--\s*InstanceEndEditable\s*-->
    )
    %six';

Я пошел вперед и изменил все ленивый \s*? на жадный (потому что жадный это то, что вы хотите здесь). Я также изменил все \x22 чтобы просто " - короче и понятнее ИМХО. И вот результаты работы с этим новым регулярным выражением сброса ветви:

Array
(
    [0] => <!-- InstanceBeginEditable name="pagetitle" --><strong>Citing Your Sources</strong><!-- InstanceEndEditable -->
    [1] => <strong>Citing Your Sources</strong>
)

Что, (если я не ошибаюсь), именно то, что вы ищете. (Вы не предоставили тестовый пример для другой альтернативы, так что он еще не был протестирован.) Кроме этого, ваше оригинальное регулярное выражение было довольно близко.

Answer 2

Просто используйте шаблон сброса ветвей: (?|...) вокруг всего выражения, как в:

((?|(?!.*?<!--\s*?InstanceBeginEditable\s*?name=\x22pagetitle\x22\s*?-->.*?<!--\s*?InstanceEndEditable\s*?-->)<!--\s*?InstanceBeginEditable\s*?name=\x22doctitle\x22\s*?-->\s*?<title>(.*?)<\/title>\s*?<!--\s*?InstanceEndEditable\s*?-->|<!-- InstanceBeginEditable\s*?name=\x22pagetitle\x22\s*?-->(.*?)<!--\s*?InstanceEndEditable\s*?-->))s

Из "man perlre":

"(? | pattern)" Это шаблон "сброса ветви", который обладает специальным свойством, что буферы захвата нумеруются с одной и той же начальной точки в каждой ветви чередования. Доступно начиная с Perl 5.10.0.

Буферы захвата нумеруются слева направо, но внутри этой конструкции нумерация перезапускается для каждой ветви.

Нумерация внутри каждой ветви будет такой же, как обычно, и любые буферы, следующие за этой конструкцией, будут пронумерованы, как если бы конструкция содержала только одну ветвь, то есть ту, в которой было наибольшее количество буферов захвата.

Эта конструкция будет полезна, когда вы хотите захватить одно из нескольких альтернативных совпадений.

Рассмотрим следующую схему. Числа внизу показывают, в каком буфере будет храниться захваченный контент.

         # before  ---------------branch-reset----------- after
         / ( a )  (?| x ( y ) z | (p (q) r) | (t) u (v) ) ( z ) /x
         # 1            2         2  3        2     3     4